基于一对一策略的多类支持向量机分类系统

资 源 简 介

该项目旨在实现模式识别领域中经典的一对一（One-vs-One, OvO）多类分类算法。由于标准的支持向量机（SVM）本质上是二分类器，本项目通过在k个类别之间构建k(k-1)/2个相互独立的二分类SVM模型，从而有效解决了多类划分问题。在训练阶段，每一对类别都会训练一个专门的分类器；在预测阶段，系统利用投票机制对测试样本进行归类，即每个子分类器对待测样本进行一次预测并投出一票，最终得票数最高的类别被判定为该样本的预测分类结果。该系统集成了完整的模型训练流程、决策边界可视化工具、混淆矩阵生成模块以及分类准

详 情 说 明

基于一对一策略的多类支持向量机分类系统

项目介绍

本项目实现了一个基于一对一（One-vs-One, OvO）策略的多类支持向量机（SVM）分类系统。由于标准支持向量机本质上是二分类器，该系统通过在每两个类别之间构建独立的二分类模型，有效地将 SVM 的应用范围扩展到了多类分类场景。系统采用 Fisher Iris 数据集作为基准，展示了从数据预处理、模型训练、投票策略预测到结果评估及可视化的完整机器学习流程。

功能特性

1. OvO 策略实现：对于拥有 k 个类别的数据集，系统自动构建并训练 k(k-1)/2 个对称的二分类器，确保了类间界限的精细刻画。
2. 自动化数据处理：内置 Z-score 标准化流程，并支持将分类标签自动转换为数值索引，确保算法处理的数值稳定性。
3. 稳健的核函数应用：默认采用径向基函数（RBF）核，能够处理非线性分布的特征空间。
4. 投票决策机制：集成多数投票算法，通过汇总所有子分类器的预测结果，以得票最高者作为最终分类。
5. 多维度可视化：提供混淆矩阵图表以及基于主成分分析（PCA）降维的二维决策边界可视化，直观展示分类效果。

实现逻辑

该系统的核心流程定义在主程序逻辑中，具体步骤如下：

1. 环境初始化与数据加载：首先清理工作空间，加载内置的鸢尾花数据集。提取四个特征维度（花萼长度、花萼宽度、花瓣长度、花瓣宽度）及对应的类别标签。
2. 标签映射与标准化：将字符串类型的标签映射为整数（1, 2, 3）。对特征矩阵进行均值归零和标准差缩放（Z-score），消除不同量纲对主成分及模型训练的影响。
3. 数据集划分：利用固定的随机种子，将数据按 70% 训练集和 30% 测试集的比例进行随机切分，以验证模型的泛化性能。
4. 循环构建二分类器：

- 遍历所有类别对 (i, j)。 - 仅提取属于这两类的数据点。 - 将标签转换为逻辑值 1 和 -1。 - 调用支持向量机学习算法进行训练，配置包括 RBF 核函数及指定的盒约束参数。

1. 投票预测过程：遍历测试样本，每个训练好的子分类器进行一次预测，并将票数投给胜出的类别。最后统计每个样本在所有类别上的总得票情况。
2. 性能评估：计算预测准确率，并绘制混淆矩阵以分析模型在各具体类别上的辨别能力。
3. 空间投影与可视化：使用 PCA 将高维特征投影至二级主成分空间，并在该投影平面上通过网格采样方式重新绘制分类器的决策区域。

关键函数与算法分析

投票预测算法 (predictOvO)

该算法是 OvO 策略的核心。它维护一个票数矩阵，大小为样本数乘以类别数。通过遍历子分类器结构体数组，将二分类器的逻辑输出（1 或 -1）重新映射回原始的类别 ID，并累加票数。最终使用最大值索引函数确定预测结果。

决策边界可视化算法 (visualizeDecisionBoundaries)

为了在二维平面展示分类逻辑，该函数创建了一个致密的坐标网格。它在 PCA 降维后的空间中重新训练临时 OvO 模型，并对网格中每一个点进行类别预测。利用等高线填充（contourf）技术绘制出不同类别的决策区域，并叠加原始数据的散点图。

分类器训练模型

模型使用 RBF 核函数（径向基函数），这种核函数通过 'KernelScale' 的自动调整来适应局部数据密度。通过设置特定的盒约束（BoxConstraint = 1），平衡了经验风险和结构风险，防止模型在处理具有重叠特征的数据时出现过拟合。

使用方法

1. 确保安装了 MATLAB 环境。
2. 需要具备 Statistics and Machine Learning Toolbox（统计与机器学习工具箱），因为系统依赖 fitcsvm、pca 和 confusionchart 等函数。
3. 将相关脚本放置在 MATLAB 的工作路径下。
4. 在命令行窗口直接运行主程序函数。
5. 程序将自动输出训练状态、最终分类准确率，并弹出包含混淆矩阵和决策边界的图形窗口。

系统要求

• 软件环境：MATLAB R2018b 或更高版本。
• 工具箱说明：必须安装 Statistics and Machine Learning Toolbox。
• 硬件设备：标准商用桌面电脑或笔记本，支持图形渲染以显示可视化结果。